本文来源于微信公众号创新研究（微信号：naiscast），欢迎关注！
来源:中国科协创新战略研究院《创新研究报告》
第41期（总第167期）2017-07-24
编者按：全球创新指数（Global Innovation Index，GII）传统上侧重于国家的创新绩效，但无法反映国家内部创新绩效的重大差异。然而，城市或区域层面的创新中心往往是创新绩效的驱动力，值得深入分析。2017 年5 月，世界知识产权组织（WIPO）根据2011—2015 年的约95 万项通过《专利合作条约》（Patent Cooperation Treaty ，PCT）的专利申请记录进行分析排名，采用基于密度的聚类算法，筛选得到了前100 个创新区域集群并分析了其关键特征，突出了地区集群在促进全球创新中的重要作用。本文对其主要内容进行摘编，以帮助研究者和政策制定者了解地区创新背后的驱动力。
一、采用为PCT 发明者进行地理编码的方法以实现集群识别
往常主要根据发明者地址中的邮递区号将发明者按区域归类，但由于地区范围的选择对于集群的轮廓和大小具有很大影响，这种方法会使创新集群的确定和测度产生偏差。地理编码（geocoding）是将文本描述的地址转换为空间位置的过程。为了使集群能够有更明晰的可比性，本排名中利用谷歌地图的应用程序接口（application program interface，API）对发明者进行了更精确的地理编码。
二、基于密度的聚类算法确定集群
基于密度的聚类算法的主要目标是寻找被低密度区域分离的高密度区域。基于距离的聚类算法的聚类结果是球状的簇，而与其不同，基于密度的聚类算法可以发现任意形状的聚类，这对于带有噪音点的数据非常重要。本研究采用一种名为DBSCAN（density-based spatial clustering of application with noise）的密度聚类算法来确定集群，既能够对不属于任何集群的噪声点（noise point）作出解释，同时又能够让研究者基于相同的密度标准对各国不同的自然地理和经济地理的集群进行灵活的勾勒和描绘。
DBSCAN 算法在地理编码后的发明者地点基础上进行，在多个列表中出现的同一地址（如同一个发明者被列入了多项专利申请中）都被作为单独的数据点进行处理。DBSCAN 算法中需要两个输入参数：一是围绕任一数据点的集群识别的范围半径（Eps），二是该范围被确定为一个集群所需的最低数据点数量（MinPts）。本研究设定的Eps 为13 千米，MinPts 为2000，相当于密度为每平方千米内约有5 位列入名单的发明者。基于上述参数值，并参考地域临近因素所产生的合作发明者关系，最终产生了分布在25 个国家中的154 个集群的排名。
三、根据集群大小确定排名并检验其敏感度
集群大小是根据在特定集群中与数据点相关的PCT 申请数量来确定。表1 中显示了前100 强的集群排名。这100 强集群在2011—2015 年期间的PCT 申请量占总申请量的59%，各集群以该集群覆盖范围内的主要城市来命名。由表1 可见，东京- 横滨名列首位，其次是深圳- 香港、圣何塞- 旧金山、首尔以及大阪- 神户- 京都。这5 个集群在所有的PCT 申请中占23.9%。
为检验已确定排名对不同的集群识别输入参数的敏感度，研究通过输入参数的不同组合方式，并与基线结果进行比对并发现：①虽然不同的输入参数会影响集群的准确轮廓和大小，但所得出的排名大致相似，个别集群可能有上下几名的浮动。②两个突出的集群对所选定的输入参数尤其敏感：纽约集群和法兰克福- 曼海姆集群。将这两个集群作为大范围集群考虑（本文选择此方式）或按这两个集群中主要的人口中心划分为更小的集群（前者包括新泽西州的特伦顿和纽瓦克以及纽约州的阿蒙克，后者包括威斯巴登、曼海姆- 海德堡和卡尔斯鲁厄）将得到不同的排名。按照划分后的集群排名，这些更小集群的名次更低，但法兰克福和纽约还会保持在前30 名之列。
四、集群特点分析
1. 企业是最大专利申请者
对于大多数集群来说，最大的专利申请者是企业，还有一些是高校——尤其是第八位的波士顿- 剑桥集群中的麻省理工学院。颇有意思的是，好几家企业不止是一个集群的最大专利申请者，如爱立信公司是5 个不同集群的最大专利申请者，西门子和英特尔公司分别是4 个不同集群的最大专利申请者。
2. 不同集群中的最大专利申请者的PCT 申请数量所占份额相差显著
在许多集群中，最大专利申请者的PCT 申请数量占比低于10%，显示出专利申请者的高度多元化。但有些集群中最大专利申请者的PCT 申请数量占比较高，表明这些集群中专利申请者较为集中。最为显著的是，飞利浦公司的PCT 申请数量在排名十八的艾恩德霍芬集群中占85%，表明这一集群在很大程度上是以单一企业为中心来运转的。
3. 各个集群中专利申请所属的主要技术领域也呈现出多元化特点
名列第二的深圳- 香港集群的专利主要集中于数码通信，约有41% 的专利申请都属于这一门类。相比之下，名列首位的东京- 横滨集群的多元特点则明显得多，其主要技术领域—电力机械、仪器和能源—只占其全部PCT 申请的6.3%。在前100 强集群中，最为突出的技术领域是医疗技术（在17 个集群中占据领先地位），其次是数码通信（在16 个集群中占据领先地位）、制药（在15 个集群中占据领先地位）和计算机技术（在12 个集群中占据领先地位）。总体来说，在所有专利申请覆盖的35 个技术领域中，有18 个不同技术领域成为了至少一个集群的头号领先领域。
4.高等院校和公共研究机构（public research organizations，PROs）的突出地位也各有差异
对于巴尔的摩（美国）、大田、吉隆坡和新加坡等集群来说，高等院校和PROs 的专利申请所占的份额超出了1/3。而在另一些集群，如艾恩德霍芬（荷兰/ 比利时）、斯德哥尔摩（瑞典）、日立（日本）等集群，发明活动主要发生在企业中，而学术机构所占的份额几乎可以忽略不计。有趣的是，在许多以医疗技术或制药为领先领域的集群中，高等院校和PROs 所占的份额相对较高，这也说明了这两个领域与科学的重要联系。
5. 分析某一集群边界外的其余集群中的共同发明者可显示100 个集群间的关联性
与集群区域外的合作发明者数量占比最多的集群可定义为首要合作集群。研究发现：①在很多案例中利用距离和集群大小这两个变量能够确定出首要合作集群。例如，东京- 横滨是日本所有其他集群的首要合作伙伴，首尔是韩国所有其他集群的首要合作伙伴。②圣何塞- 旧金山集群是所有集群中最有合作性的集群，它是24 个集群的首要合作伙伴，其中有6 个集群在美国之外。
6. 首要合作集群在内部合作发明者中所占的比例也反映出合作集群的多元性
该比例在圣何塞- 旧金山集群中较低，显示出该集群合作者的高度多元化。相反，该比例在日本和韩国的许多集群中较高，表明其合作集群更为有限（可能是语言障碍所致）。
7. 女性发明者在所有集群中所占的比例不足1/3
女性参与度在不同的集群中有显著差异：在前10 强集群中，女性比重从5.6%（名古屋）到28.9%（深圳- 香港）不等。总体来看，中国和韩国的集群中性别比例相对平等，主要技术领域为制药或生物科技的集群情况也是如此。
表1 世界发明创新集群排名及特点
注：PCT 申请数量限于2011—2015 年间的数据，表示的是集群中的发明者和专利的分数计数（fractional count，FC）。最大的100 强合作集群指最大比例的合作发明者所在的集群，该比例是相对于居住在所讨论集群之外的合作发明者总数量得出。女性发明者是根据Lax-Martínez 等（2016 年）所撰写的姓名词典得出（根据该词典，研究者得出了除北京、班加罗尔、广州、杭州、吉隆坡、首尔、上海、苏州以外的其他各集群中90% 以上的发明者性别，在上述例外的城市中大约能确定84%~90% 发明者的性别），在本研究中忽略了无法根据姓名辨别性别的发明者。
文章来源：
http：//www.wipo.int/edocs/pubdocs/en/wipo_pub_econstat_wp_34.pdf
编译：宋颖
《创新研究报告》编辑：高晓巍 曹学伟
感谢您的支持与关注，欢迎赐稿交流
投稿邮箱：nais-research@cnais.org.cn